Desarrollo de una plataforma web para predecir el riesgo de caídas en pacientes cardiovasculares mediante aprendizaje automático

Por qué es importante mantener de pie a los pacientes cardíacos

Para millones de adultos de mediana edad y mayores que viven con problemas del corazón y los vasos sanguíneos, un simple tropiezo en casa puede desencadenar una cascada de crisis de salud. Una caída grave puede provocar fracturas, estancias hospitalarias y un retroceso serio para corazones ya frágiles. Este estudio se planteó si las técnicas informáticas modernas pueden ayudar a los médicos a identificar cuáles pacientes cardiovasculares tienen más probabilidades de sufrir una caída, mucho antes de que ocurra el accidente, y así intervenir temprano para mantenerlos más seguros e independientes.

Cómo se relacionan los problemas cardíacos y las caídas

Las caídas son una de las principales causas de lesión accidental y muerte en personas mayores en todo el mundo, y suponen costes emocionales y económicos importantes para las familias y los sistemas de salud. Al mismo tiempo, la enfermedad cardiovascular es cada vez más frecuente con el envejecimiento poblacional, y muchos pacientes con afecciones cardíacas son especialmente vulnerables. Problemas cardíacos sutiles pueden alterar la presión arterial, el equilibrio y la resistencia incluso antes de que los síntomas sean evidentes. Cuando las personas con enfermedad cardiovascular se caen, tienen más probabilidad de sufrir complicaciones, necesitar cirugía y enfrentar riesgos mayores durante la recuperación. Por eso predecir el riesgo de caídas en este grupo es un asunto urgente de salud pública.

Convertir grandes encuestas de salud en una herramienta de riesgo

Los investigadores se basaron en un gran estudio nacional de adultos chinos de 45 años o más que rastrea salud, estilo de vida y factores sociales a lo largo del tiempo. A partir de este rico conjunto de datos identificaron a 1.784 personas con enfermedad cardiovascular y las siguieron durante dos años para ver quiénes reportaron una caída. Examinaron 40 predictores potenciales, que iban desde edad, nivel educativo, calidad del sueño y estado de ánimo hasta condiciones médicas como enfermedad renal y reumatismo, así como dolor, caídas previas y medidas de fuerza y capacidad cognitiva. Una limpieza cuidadosa de los datos, el manejo de valores faltantes y el balanceo entre quienes cayeron y no cayeron ayudaron a preparar la información para análisis avanzados.

Lo que aprendieron los modelos inteligentes

En lugar de confiar solo en fórmulas estadísticas tradicionales, el equipo probó seis métodos distintos de aprendizaje automático, que pueden descubrir patrones complejos en los datos. Una técnica llamada LASSO ayudó a reducir las muchas variables hasta las nueve más informativas. Estas fueron edad, nivel educativo, calidad del sueño, enfermedad renal, reumatismo, dolor, satisfacción con la vida, depresión e historial de caídas. Entre los seis modelos, un método conocido como Light Gradient Boosting Machine ofreció las predicciones más precisas, separando correctamente a los pacientes de mayor y menor riesgo tanto en el grupo original como en una ola anterior de la encuesta usada como comprobación externa. Para abrir la «caja negra» del aprendizaje automático, el equipo utilizó una herramienta de explicación que muestra cuánto cada factor empuja el riesgo de una persona hacia arriba o hacia abajo.

Factores de riesgo que se perciben y se pueden cambiar

Los resultados de la explicación destacaron que la edad avanzada y una caída previa eran las señales de advertencia más fuertes, mientras que la enfermedad renal, los problemas reumáticos, el dolor y la depresión también aumentaban la probabilidad de caerse. Por otro lado, más años de escolaridad, mejor sueño y una mayor satisfacción con la vida tendían a proteger contra las caídas. De manera notable, las personas con una calidad de sueño solo algo buena podrían estar en riesgo especialmente alto, quizás porque siguen activas aunque padezcan problemas sutiles de equilibrio o atención. Muchos de estos factores son fáciles de preguntar en una visita clínica o incluso en un cribado comunitario, lo que hace al modelo práctico para profesionales sanitarios con carga de trabajo.

De la predicción a una herramienta web sencilla

Para ir más allá de la teoría, los autores convirtieron su modelo de mejor desempeño en una plataforma web fácil de usar. Un clínico o trabajador de salud puede introducir la edad del paciente, nivel educativo, calidad del sueño, estado de ánimo, dolor, presencia de enfermedad renal y reumática, satisfacción con la vida e historial de caídas, y recibir una estimación de la probabilidad de caerse en los próximos dos años. Si bien la herramienta no sustituye el juicio médico, ofrece una forma estructurada de señalar a los pacientes cardiovasculares que podrían beneficiarse más de entrenamiento de fuerza, comprobaciones de seguridad en el hogar, tratamiento del estado de ánimo o un seguimiento más estrecho.

Qué significa esto para la vida cotidiana

Este estudio muestra que el uso inteligente de datos de encuestas existentes y del aprendizaje automático puede ayudar a identificar a los pacientes cardiovasculares con mayor probabilidad de sufrir una caída. Al centrarse en un pequeño conjunto de factores comprensibles, el modelo sigue siendo utilizable en clínicas del mundo real a la vez que captura patrones complejos en los datos. Si se aplica con prudencia, tales herramientas podrían apoyar planes de prevención más personalizados, reducir caídas peligrosas y ayudar a las personas con enfermedad cardíaca a mantenerse de pie y conservar una mejor calidad de vida conforme envejecen.

Cita: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Palabras clave: enfermedad cardiovascular, riesgo de caídas, aprendizaje automático, personas mayores, predicción de riesgo